建筑工程造價(jià)預(yù)測模型的設(shè)計(jì)與實(shí)現(xiàn)

王軒, 楊文波

(陜西省建筑職工大學(xué) 專業(yè)科， 西安 710068)

0 引言

隨著建筑工程項(xiàng)目管理的精細(xì)化，為更好的滿足需求，多種工程造價(jià)預(yù)測模型應(yīng)運(yùn)而生，其中神經(jīng)網(wǎng)絡(luò)模型能夠做到比較靈活精準(zhǔn)的預(yù)測，神經(jīng)網(wǎng)絡(luò)模型的輸入向量的篩選在少部分文獻(xiàn)中是依據(jù)層次分析法(AHP)完成的，在實(shí)際建筑工程中涉及到的內(nèi)容較多，影響因素錯(cuò)綜復(fù)雜，對建筑工程造價(jià)影響程度較大的工程特征的篩選通常是一個(gè)模糊環(huán)境下的問題，而層次分析法在權(quán)重值的獲取上一般只依靠經(jīng)驗(yàn)或?qū)＜遗袛?，未對決策者判斷的模糊性進(jìn)行充分考慮，難以顯著提高預(yù)測結(jié)果的科學(xué)性合理性。本文則是在充分考慮決策者判斷的模糊性的基礎(chǔ)上，通過直覺模糊分析方法的使用，實(shí)現(xiàn)其對造價(jià)的影響程度系數(shù)的求解，在此基礎(chǔ)上完成了對建筑工程造價(jià)影響程度較大的工程特征的確定，在神經(jīng)網(wǎng)絡(luò)模型中作為輸入向量，完成建筑工程造價(jià)預(yù)測模型的構(gòu)建[1]。

1 建筑工程造價(jià)預(yù)測的現(xiàn)狀

建筑工程在投資決策過程中必做工作之一就是工程造價(jià)預(yù)估，編制投資計(jì)劃及控制施工成本等要求造價(jià)估算做到準(zhǔn)確有效，現(xiàn)階段經(jīng)常使用的工程造價(jià)估算方法有回歸分析法、定額法、類比工程法及人工智能法等，回歸分析法無法考慮太多因素，是通過回歸模型的建立來完成造價(jià)預(yù)估的，難以考慮到不確定性因素；定額法的編制工作較為繁雜，需要花費(fèi)較長的時(shí)間編制預(yù)算文件，但定額法預(yù)估結(jié)果的精度較高；類比法所使用的模型相對簡單，但其預(yù)估結(jié)果的精度則相對較低；造價(jià)估算如果存在較大的誤差，會降低投資決策的合理性，可能影響施工質(zhì)量，嚴(yán)重時(shí)甚至?xí)?dǎo)致工程停工或返工，造成重大的經(jīng)濟(jì)損失。具備較強(qiáng)自適應(yīng)學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò)方法，同時(shí)擁有良好的信息處理和非線性映像功能，應(yīng)用于建筑工程造價(jià)預(yù)測過程中，能夠做到靈活動(dòng)態(tài)的解決問題，可進(jìn)一步提高預(yù)估方法的科學(xué)性、便捷性和可靠性[2]。

2 模型輸入量選取

本文充分考慮建筑工程造價(jià)特征的基礎(chǔ)上，針對建筑工程造價(jià)的影響因素，通過全面的分析和篩選后，完成了建筑工程造價(jià)的影響因素的初步確定，主要包括9個(gè)即建筑面積、標(biāo)準(zhǔn)層面積、結(jié)構(gòu)類型、基礎(chǔ)類型、建筑層高及層數(shù)、抗震等級、平面形狀及埋深，并將其作為直覺模糊層次分析法的參與因素。

2.1 直覺模糊互補(bǔ)判斷矩陣的構(gòu)建

依據(jù)重要性程度，對上述9個(gè)因素兩兩比較，判斷各因素對工程造價(jià)的影響程度，完成因素比較表的構(gòu)造，向工程造價(jià)領(lǐng)域的專家咨詢，對其意見進(jìn)行歸納整理，為提高結(jié)果的科學(xué)性和合理性，在對專家判斷存在一定主觀模糊性進(jìn)行考慮的基礎(chǔ)上，用i,j分別代表建筑面積、標(biāo)準(zhǔn)層面積、結(jié)構(gòu)類型、基礎(chǔ)類型、建筑層高、層數(shù)、抗震等級、平面形狀、埋深，兩兩比較根據(jù)直覺模糊判斷矩陣(徐澤水)得出判斷矩陣(Aij)9×9，具體評價(jià)等級判斷如表1所示[3]。

表1 屬性重要程度定義標(biāo)度表

2.2 確定工程特征影響程度系數(shù)

(1)

(ωl)T=[(0.077 4,0.155 9)(0.120 2,0.099 8)(0.120 2,0.099 8)(0.158,0.059)(0.142 9,0.068 3)(0.080 1,0.148 9)(0.080 1,0.148 9)(0.084 1,0.147 1)(0.136 2,0.071 8)]如式(2)。

(2)

λT=[(0.137 6,0.277 2)(0.267 1,0.221 8)(0.267 1,0.221 8)(0.416 9,0.156 1)(0.351 2,0.167 9)(0.144 7,0.268 9)(0.144 7,0.268 9)(0.155 5,0.271 8)(0.325 2,0.171 5)]如式(3)。

(3)

3 網(wǎng)絡(luò)模型訓(xùn)練

訓(xùn)練神經(jīng)網(wǎng)絡(luò)的第一步需先獲取訓(xùn)練樣本，包括訓(xùn)練數(shù)據(jù)的收集、分析、選擇和預(yù)處理等，首先隨機(jī)選出一些數(shù)據(jù)作為模型，發(fā)現(xiàn)其規(guī)律，在大量的測試設(shè)局中確定出最主要的輸入模式，即對測量數(shù)據(jù)進(jìn)行相關(guān)性分析，找出其中最主要的量作為輸入，在確定了輸入量后，對其進(jìn)行預(yù)處理，將數(shù)據(jù)變化到一定的所需范圍，并剔除野點(diǎn)，使得到的數(shù)據(jù)便于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練。神經(jīng)網(wǎng)絡(luò)屬于多層前饋神經(jīng)網(wǎng)絡(luò)的一種，網(wǎng)絡(luò)模型核心過程包括兩個(gè)，即輸入信號從隱含層到輸出層的前向傳播，誤差反向傳播，誤差在重復(fù)運(yùn)行的條件下能夠不斷減小，使模型預(yù)測的輸出結(jié)果逐漸接近期望值，最終滿足要求為止(具體模型結(jié)構(gòu)如圖1所示)。

3.1 訓(xùn)練樣本及預(yù)處理

工程特征指標(biāo)包括兩種，即數(shù)值型和字符型，在本文中為對結(jié)構(gòu)類型進(jìn)行量化，磚混結(jié)構(gòu)用數(shù)字1表示，框架結(jié)構(gòu)用2表示，框剪結(jié)構(gòu)用3表示，量化結(jié)果如表2所示。

表2 工程特征表

列示了項(xiàng)目樣本的工程特征指標(biāo)的具體數(shù)據(jù)(共12個(gè))，為最大程度降低量綱對結(jié)果的影響程度，需對數(shù)據(jù)進(jìn)行歸一化處理，處理使用公式如下：

Y=2 ×(x-xmin)/(xmax-xmin)-1

從而使數(shù)據(jù)更加均勻、易收斂，均分布在[-1,1]區(qū)間范圍內(nèi)。具體的函數(shù)語法為：[input, mininput, maxinput, output, output, minoutput, maxoutput]=premnmx(input,output),歸一化結(jié)果如表3所示[5]。

表3 數(shù)據(jù)歸一化結(jié)果

3.2 模型構(gòu)建

故輸入層節(jié)點(diǎn)數(shù)用n表示，且n=5(上文篩共篩選出5個(gè)輸入量)，對于三層神經(jīng)網(wǎng)絡(luò)，根據(jù)柯爾莫哥洛夫定理，其隱含層的節(jié)點(diǎn)數(shù)為2n+1=11個(gè)，樣本的目標(biāo)數(shù)據(jù)種類(m)決定輸出層的節(jié)點(diǎn)數(shù)(用m表示)，設(shè)m=1，其模型結(jié)構(gòu)如圖1所示。

圖1 模型結(jié)構(gòu)圖

對數(shù)s型轉(zhuǎn)移函數(shù)/線性函數(shù)及雙曲正切s型函數(shù)是比較常用的激活函數(shù)，在歸一化處理使用premnmx函數(shù)的基礎(chǔ)上，選擇雙曲正切s型函數(shù)作為隱含層激活函數(shù)；BP訓(xùn)練函數(shù)traingd(有梯度下降) 和traingdx訓(xùn)練函數(shù)(梯度下降自適應(yīng)學(xué)習(xí))應(yīng)用的較為普遍，本文選用train學(xué)習(xí)函數(shù)和traingdx訓(xùn)練函數(shù)；調(diào)用神經(jīng)網(wǎng)絡(luò)工具箱Matlab，設(shè)定均方誤差mse為0.001，選擇樣本的前10組數(shù)據(jù)，對其進(jìn)行不斷的訓(xùn)練迭代，進(jìn)而使網(wǎng)絡(luò)性能得以逐漸優(yōu)化，相對誤差呈逐步下降趨勢(經(jīng)過波動(dòng))，直至滿足精度要求，收斂過程如圖2所示[6]。

圖2 訓(xùn)練性能曲線圖

4 模型驗(yàn)證

對樣本11、12的數(shù)集通過訓(xùn)練收斂后的網(wǎng)絡(luò)完成檢測過程，并得到預(yù)測值，在此基礎(chǔ)上完成反歸一化處理(通過使用Postmnmx函數(shù))，依據(jù)預(yù)測結(jié)果，完成實(shí)際值與預(yù)測值的相對誤差的計(jì)算，驗(yàn)證結(jié)果表明誤差區(qū)間在[-10%，+10%]之間，滿足投資估算(指工程可行性研究分析中)誤差率的最高標(biāo)準(zhǔn)，具體結(jié)果如表4所示。

表5 誤差分析表

證明本文所設(shè)計(jì)的建筑工程造價(jià)模型在實(shí)際建筑工程造價(jià)預(yù)測中實(shí)用價(jià)值較高[7]。

5 總結(jié)

建筑工程在投資決策過程中必做工作之一就是工程造價(jià)預(yù)估，編制投資計(jì)劃及控制施工成本等要求造價(jià)估算做到準(zhǔn)確有效，本文主要對基于模糊邏輯和神經(jīng)網(wǎng)絡(luò)方法的建筑工程造價(jià)預(yù)測模型進(jìn)行設(shè)計(jì)，依據(jù)建筑工程特征，在對工程復(fù)雜性和判斷的模糊性進(jìn)行充分考慮的基礎(chǔ)上，定量化處理建筑工程的特征，各工程特征的影響程度系數(shù)的確定通過直覺模糊分析方法的使用完成，完成了對建筑工程造價(jià)影響程度較大的5個(gè)工程特征的確定，篩選出影響較大的工程特征作為模型輸入量，從而使常規(guī)模型得以簡化，提高了模型精度。采用10個(gè)樣本數(shù)據(jù)迭代訓(xùn)練模型，對數(shù)據(jù)模型通過2個(gè)工程樣本進(jìn)行驗(yàn)證。經(jīng)實(shí)際驗(yàn)證后表明可對工程特征進(jìn)行有效篩選，通過神經(jīng)網(wǎng)絡(luò)的使用更能適應(yīng)工程造價(jià)的動(dòng)態(tài)變化，預(yù)測精度能夠滿足實(shí)際要求，具有較強(qiáng)的實(shí)用價(jià)值。